Monte Carlo Symulacja Ryzyka — Modelowanie Wyników Portfela

Symulacje Monte Carlo pozwalają modelować 100 000+ potencjalnych ścieżek rozwoju Twojego portfela, kwantyfikując metryki ryzyka takie jak Value at Risk (VaR) i oczekiwany niedobór. Zamiast zakładać jeden wynik, widzisz rozkład możliwości.

Przykład: Przeprowadź 100k symulacji swojej strategii handlowej. Zobaczysz: 68% wyników z zyskiem $10-$50, 25% stratę $10-$30, 5% stratę $50-$200 i 2% zysk $100+. Teraz rozumiesz swój profil ryzyka.

Podstawowy Geometryczny Ruch Browna (GBM)

Modeluj przyszłe ceny jako przypadkowe spacery z dryfem i zmiennością:

Python — Ścieżki cenowe Monte Carlo
import numpy as np
def simulate_price_paths(S0, mu, sigma, T, dt, n_sims=10000):
# S0: aktualna cena, mu: dryf, sigma: zmienność
# T: horyzont czasowy (dni), dt: krok czasowy, n_sims: symulacje
steps = int(T / dt)
paths = np.zeros((n_sims, steps))
paths[:, 0] = S0
for i in range(1, steps):
# dS = mu*S*dt + sigma*S*sqrt(dt)*Z
Z = np.random.normal(0, 1, n_sims)
dS = mu * paths[:, i-1] * dt + sigma * paths[:, i-1] * np.sqrt(dt) * Z
paths[:, i] = paths[:, i-1] + dS
return paths

Metryki Ryzyka Portfela

Value at Risk (VaR)

Strata, którą przekroczysz tylko w 5% scenariuszy (95% pewności):

Python — Oblicz VaR
def calculate_var(simulations, confidence=0.95):
pnl = simulations[:, -1] - simulations[:, 0]
var = np.percentile(pnl, (1 - confidence) * 100)
return var # np. -$2,340

Expected Shortfall (CVaR)

Średnia strata w najgorszych 5% przypadków:

Python — Oblicz CVaR
def calculate_cvar(simulations, confidence=0.95):
pnl = simulations[:, -1] - simulations[:, 0]
var_threshold = np.percentile(pnl, (1 - confidence) * 100)
worst_5_pct = pnl[pnl <= var_threshold]
cvar = np.mean(worst_5_pct)
return cvar # np. -$3,800 (gorsze niż VaR)

Symulacja Specyficzna dla Strategii

Symuluj rzeczywiste zasady handlowe, a nie tylko ścieżki cenowe:

Python — Monte Carlo Strategii
def simulate_strategy(capital, win_rate, avg_win, avg_loss, trades_per_day=10, days=30, n_sims=10000):
results = np.zeros(n_sims)
for sim in range(n_sims):
equity = capital
n_trades = trades_per_day * days
for _ in range(n_trades):
if np.random.rand() < win_rate:
pnl = np.random.normal(avg_win, avg_win * 0.2)
else:
pnl = -np.random.normal(avg_loss, avg_loss * 0.2)
equity += pnl
if equity < capital * 0.5:
break # Stop-out przy 50% stracie
results[sim] = equity
return results

Testy Obciążeniowe z Sygnałami Smart Money

Modeluj najgorsze scenariusze, gdy zaufanie Smart Money spada:

Python — Scenariusze testów obciążeniowych
def stress_test_scenarios(base_win_rate):
# Scenariusz 1: Normalne warunki (WYSOKIE zaufanie)
scenario_normal = simulate_strategy(10000, win_rate=base_win_rate)
# Scenariusz 2: Pogarszające się sygnały (ŚREDNIE zaufanie)
scenario_medium = simulate_strategy(10000, win_rate=base_win_rate * 0.95)
# Scenariusz 3: Załamanie (warunek VETO)
scenario_veto = simulate_strategy(10000, win_rate=0.45) # ujemna przewaga
return {
'normal': {'var': np.percentile(scenario_normal, 5), 'mean': np.mean(scenario_normal)},
'medium': {'var': np.percentile(scenario_medium, 5), 'mean': np.mean(scenario_medium)},
'veto': {'var': np.percentile(scenario_veto, 5), 'mean': np.mean(scenario_veto)}
}

Interpretacja

Z 10k symulacji dowiesz się:

Testuj strategie obciążeniowo z sygnałami Smart Money

Zrozum ryzyko portfela w normalnych, pogarszających się i warunkach VETO Smart Money. Nasze API dostarcza sygnałów; Monte Carlo modeluje wyniki.

Model Ryzyka Dziś →